El ruido de etiquetas ocurre cuando algunas observaciones de un conjunto de datos de entrenamiento tienen asignada una etiqueta incorrecta, ya sea por error humano al anotarlas, ambigüedad genuina del caso, o fallas en un proceso de etiquetado automático.
Su impacto en el entrenamiento
Un modelo entrenado con demasiado ruido de etiquetas puede aprender patrones incorrectos, o directamente confundirse tratando de ajustarse a ejemplos contradictorios, por lo que evaluar y mejorar la calidad de las etiquetas suele tener un impacto tan grande en el desempeño final como mejorar el propio algoritmo de modelado.